最近总有人问我：“你写论文是不是也用AI？”我的回答很统一：用，但不是你们想的那种用法。我不是把题目扔给AI让它替我写，而是把它当成一个特别能加班、特别能抬杠、特别擅长把一句废话扩成三页纸的写作搭子。真正的学术写作，正在从“一个人对着一块白屏死磕”变成“人和AI组队闯关”。这种模式就是人机协同，也是我最近在学术写作里最受用的“新神装”。不管你是研究生、青椒，还是已经需要带学生的资深研究者，只要还在和论文、基金本子、综述打交道，这篇文章都值得你读完。下面我把整套打法拆开讲清楚。
1. 学术写作真正的痛点，不是“写不出来”
1.1 白屏恐惧症：问题在启动，不在手速
很多人的论文卡死不在后面，而在开头那一个小时。打开Word，光标在空白页左上角闪，脑子里全是零散想法，就是组不成第一句话。这不是手速问题，是启动成本太高。因为写作在你的潜意识里被等同于“一次性输出完美内容”，所以你迟迟不敢落笔。
我和人机协同打交道以后，最先解决的就是这个问题。做法很简单：随便丢给AI一句话，哪怕是“用三句话解释我研究的这个东西为什么重要”，让AI先给你一个粗糙但完整的段落。这个段落大概率不能用，但它能给你一个“可以修改的对象”。人面对一张白纸会恐慌，但面对一段“写得不行但我能改”的文字，反而会立刻进入修改状态。
你可能会问：这样会不会被AI带着跑？答案是不会。因为后面你还要做判断、做取舍、做重构，AI给你的只是“半成品原材料”。真正的价值在于，它帮你越过了“从无到有”那个最消耗心力的门槛，让你直接进入“从有到优”的修改阶段。
1.2 写作是思考的镜子：单打独斗容易让思维钻牛角尖
我经常跟课题组的人说，学术写作不是把你已经想明白的东西记下来，而是通过写来把问题彻底想明白。你写引言的时候才会发现，自己对研究背景的理解还有缺口；你写讨论的时候才会发现，自己根本没有认真想过“我这个结果如果和预期相反怎么办”。
单打独斗的时候，人特别容易陷入同一个小段落反复改、改了删、删了再改的循环。因为你的思考路径是封闭的，翻来覆去都是同一套脑回路。这时候，AI其实是一个很好的“外部记忆”和“对立观点生成器”。你写一段论证，让AI从三个角度质疑你，立刻就能发现自己刚才没考虑到的维度。这不是AI有多聪明，而是它“不维护你的面子”，会老老实实把话说全。
所以我一直强调，人机协同不是让人变懒，而是逼着你更清楚地表达。你想让AI帮上忙，就得先把需求说清楚；而“把需求说清楚”这个动作本身，就是在帮你理顺逻辑。
1.3 为什么“全交给AI代写”这条路必然翻车
有人一听“协同”就觉得是给“AI代写”换了个好听的说法。真不是。至少有三道坎，决定了学术写作不可能全交给AI。
第一道坎是真实性问题。AI擅长生成流畅文本，不擅长保证事实正确。它会一本正经地编出一篇你看不见的文献，作者、年份、期刊名像模像样，但回数据库一查，查无此文。如果论文里混进这种引用，轻则退稿，重则会被认定学术不端。
第二道坎是判断力问题。你的研究贡献是什么？你的创新点到底在哪？这些问题只有真正做过这个课题、读过原始文献、亲手处理过数据的人才能回答。AI只能根据你的输入推测，而推测出来的“创新点”，大概率是领域里已经被讲过无数遍的套话。
第三道坎是伦理问题。核心观点、关键论证、数据解读，这些环节必须由作者本人完成。学术共同体默认论文署名意味着对内容负责。如果整篇论文都是AI写的，那署名还有什么意义？
所以，别再想着“让AI替我把论文写了”。正确的姿势是：把AI当成你的研究助理、陪练、改稿编辑，让它干它擅长的活，同时把决策权牢牢攥在自己手里。
2. 人机协同的分工：谁说了算，谁干苦力
2.1 AI适合承担的四类任务
想让人机协同真正起作用，第一步是分清“哪些活交给AI”。根据我的经验，有四类任务特别适合交给AI，效率提升非常明显。
第一类是检索、对比和转述。比如你写综述之前，想快速了解某几条技术路线的异同，可以把相关文献的摘要和结论贴给AI，让它帮你整理成对比表。注意，文献本身要来自真实数据库，AI只是信息整理员，不是文献来源。
第二类是多版本生成。同一个段落，你想要“更学术一点的表达”“更凝练的版本”“更适合基金本子的版本”，AI可以一秒钟给你出好几版。你从中挑一版最合适的骨架，再手动改细节，比从零写快得多。
第三类是文字润色。把口语化的初稿改成书面表达，把绕来绕去的长句拆分，把逻辑连接词补上。这类工作AI做得又稳又快，而且不容易有脾气。
第四类是逻辑结构梳理。你把一节的段落标题和每段大意丢给它，让它检查是不是重复、是不是有时间线错乱、是不是有论证断层。它会给出调整建议，虽然不能全盘照搬，但能帮你节省大量整理时间。
2.2 人类必须守住的四件事
与此同时，有四种东西绝对不能交给AI，谁交出去谁吃亏。
第一是研究方向。为什么做这个课题、做什么不做什么，这些来自你对该领域长期的理解和判断。AI没有学术品味，它倾向于给你“看起来合理但实际上平庸”的建议。
第二是核心论点和创新点。你自己的核心贡献是什么，这是论文的灵魂，必须以你的研究内容和独立思考为准。
第三是数据的真实性和统计结果。AI不会跑实验，也不该替你解读原始数据。它能帮你润色“实验方法”那一段的表述，但具体数值、实验条件必须来自你的实验记录。
第四是投稿决策。投哪个期刊、要不要回应审稿人、怎么回应，这些都是高度依赖经验和策略的决策。AI可以帮你模拟审稿人，但最终拍板的只能是你自己。
2.3 一份可以直接抄的分工表
我把上面这些整理成一张表，每次开始写论文前先想一遍，能减少很多无效操作。
| 写作环节 | 人类负责 | AI负责 |
|---|---|---|
| 选题 | 判断方向、提出候选问题 | 发散候选方向、模拟读者提问 |
| 文献综述 | 筛选文献、核验出处 | 总结观点、做对比表格 |
| 大纲 | 定主线和核心论点 | 扩展子标题、补充逻辑链条 |
| 初稿 | 提供数据、案例、核心论证 | 扩写段落、生成过渡句 |
| 润色 | 确认专业术语和语气 | 改写句式、压缩冗余表达 |
| 回复审稿人 | 决定回应策略 | 模拟审稿人质疑、生成初稿 |
这张表的核心逻辑是：AI做“发散-整理-表达”，人做“判断-决策-负责”。记住这句话，协同就不会跑偏。
3. 人机协同实操：从选题到投稿信的完整六步
3.1 选题阶段：让AI当“刁钻的质询者”
很多人选题喜欢问AI“我这个方向有没有前途”，这个用法效果很差，因为AI没有真实学术嗅觉。我的做法反过来：让AI当一个“刁钻的质询者”，专门给我挑刺。
比如你手里有两个候选题，可以把它们描述给AI，然后让它分别站在“领域资深审稿人”“刚入门的研究生”“对该方向不熟的交叉学科同行”三个视角提问。每类人给出5个他们最想问的问题。你会瞬间看清楚：哪些问题你回答不了，哪些问题其实是创新点，哪些问题人家早解决了而你还在当卖点。
实操中我会用一段类似下面这样的提示词：
请分别扮演三位读者：一位是本研究领域的资深审稿人， 一位是刚进入该方向的研究生，一位是交叉学科但基础不错的同行。 我的候选研究题目是：[用一两句话描述你的研究问题]。 请每位读者提出5个最关心的质疑或问题，并解释为什么关注。 最后把这些问题按“致命程度”排序。这样一来，AI帮你做了“极端情况头脑风暴”，而你仍然掌握选题决策权。它提的问题不一定都对，但能逼你把自己没想清楚的地方想清楚。
3.2 文献综述：让AI做“综合整理员”，而不是“文献生成器”
文献综述是人机协同里最容易踩坑的环节。很多人让AI“帮我写某主题的综述”，结果AI写出一堆看着很合理、但没有一篇能查到的参考文献。这是幻觉重灾区。
我的原则是：AI可以碰文献，但只能碰你已经喂给它的文献。具体操作分三步。
第一步，去真实学术数据库里用关键词检索，下载高相关性的文献，把题目、摘要、结论整理成清单。
第二步，把每篇文献的原始摘要或结论分段喂给AI，让它们做归纳。注意一次不要喂太多篇，五到八篇一组比较合适。你可以在提示词里明确要求：
以下是5篇文献的摘要。请按主题分成若干类，每类用一句话概括核心发现， 并指出文献之间的共同点和分歧。引用时请用我提供的文献编号，不要新增其他文献。第三步，你把AI整理的分类框架拿过来看，自己判断哪些类是真正重要的研究脉络，哪些只是细枝末节。然后在此基础上重写综述结构。
这样用AI，既能利用它归纳信息快的优势，又不会让假文献混进你的参考文献。在综述里，每一篇你引用的文献都必须是你亲眼看过、亲手确认过的。
3.3 大纲与论证：用“倒金字塔法”锁定逻辑
大纲阶段，我给的建议是：不要一上来就让AI写论文大纲，而是先自己写一页纸的“倒金字塔”。所谓倒金字塔，就是最上面写一句核心论点，第二层写三个支撑证据，第三层写每个证据可能遇到的反驳。这一页纸不需要学术化，也不用完整句子，你自己能看懂就行。
为什么要先做这一步？因为大纲是论文的骨架，骨架要是交给AI搭，后面的血肉就会跟着跑偏。但AI也不是没用，它可以帮你扩展这个倒金字塔。比如你给出了三层结构，让它针对每一层补充二级标题、关键词和段落安排建议。
这一步做完以后，你会得到一份“自己的主线 + AI的细化”混编大纲。请务必亲自检查每个二级标题符不符合你的主线。我一般会把大纲读一遍，然后把与核心论点无关的标题直接删掉，哪怕语言再漂亮也不要。
3.4 初稿扩写：用“角色提示词+分块输入”降低幻觉
初稿阶段最容易犯的错误是把整个章节的要求一次性扔给AI，让它“给我写引言”。这样写出来的文章多半又空又泛，因为AI不知道你的具体研究细节，只能拼凑套路化表达。
我常用的方法叫“分块扩写法”：把每节再拆成几个小块，每一块只处理一个功能。比如引言可以拆成“研究背景”“知识缺口”“研究目的”“贡献总结”四块。每一块单独和AI对话，并把相关的已有内容贴进去。
例如写“知识缺口”那一块，我会用这样的提示词：
请扮演我所在领域的一位学术编辑，帮我写一段“研究知识缺口”的文字。 我目前的研究是：[一两句核心贡献]。 过去研究已经解决了这些问题：[列出2-3个已知结论]。 但仍有这些问题尚未解决：[列出你的依据]。 请用批判且克制的学术语气，把“已知—未知—本研究如何填补”串成一段连贯文字，不超过250字。这样AI在明确的上下文里工作，生成结果更贴合你的研究实际，也更不容易胡编。你可以让它生成三个版本，然后挑一个最顺手的改。初稿阶段不追求完美，追求“有东西可改”。
3.5 润色：从“学生腔”到期刊语言
润色是很多人的刚需。但AI润色有个误区：把整篇论文丢进去让AI“整体润色”，结果它把专业术语也改了，把简练的句子变得啰嗦，有时候甚至改变了原意。
我的建议是分块润色，并且每块明确约束条件。摘要就只润色摘要，引言就只润色引言。提示词里说清楚“保持专业术语不变”“语义与原文一致”“减少被动语态的滥用”“把超过30个字的句子拆短”。AI的理解能力虽然有限，但只要约束明确，效果会稳定很多。
举个我常遇到的情况：初稿里写“这个结果表明我们的方法比其他方法好”，AI润色后可能变成“实验结果有力证明了所提方法的显著优越性”。后者看起来更学术，但其实过度拔高了，而且没有说明比较基准。所以在润色之后，你一定要回读一遍，特别注意那些被AI加进去的“显著”“有效”“深入研究”等程度词，这些词如果没有数据支撑，审稿人一眼就会看出来。
3.6 投稿信与回复审稿人：把AI当“模拟审稿人”
写投稿信和回复审稿人意见，是人机协同收尾阶段最划算的应用。投稿信是最格式化的内容，完全可以先用AI生成骨架，然后你替换成自己的研究信息。比如让它根据你的摘要生成一版“Dear Editor”开头的投稿信，列出“本文研究问题、方法、主要发现、与期刊范围的契合点”四段式结构。
回复审稿人则更有意思。拿到审稿人的意见以后，别急着逐条回复，先把意见分类喂给AI，让它扮演审稿人，追问你“你的修改有没有真正解决我的疑问”“如果你是这个审稿人，什么样的回复会让你满意”。
我有一个固定的操作：把每条审稿意见和我的初步回应思路贴在AI面前，让它从审稿人视角挑毛病。往往它能指出“你这条回复是在辩解，没有给出具体修改”，或者“你在问题1里说的修改在正文哪里体现”。这些提醒能帮你把回复写得更有条理，减少来回返工。
4. 提示词设计：让人机协同从“可用”到“好用”
4.1 给AI立人设：说清身份、任务和约束
我发现很多人用AI效果不好，根源在于提示词太模糊。你问“帮我润色一下这段话”，AI只能随便弄一版；你连期刊风格、目标读者、语气要求都不给，它当然只能按默认的“通用书面语”来。
一个好用的提示词，应该至少包含四件事：身份、任务、上下文、约束。我用一个公式总结：
身份（你是什么角色）+ 任务（你要干什么）+ 上下文（基于什么信息）+ 约束（不能做什么，要什么风格）例如你写研究方法部分，可以这样问：
你是一位有10年科研经验的方法学审稿人。 请帮我改写下面这段“实验流程”文字，目标期刊是本领域内的主流期刊。 原文字段如下：[粘贴原文]。 要求：1）保持所有实验参数和产品名称不变；2）把被动语态控制在合理范围； 3）删除冗余的“然后”“接着”等词；4）如果发现原描述有逻辑跳跃，请单独指出。加了这些约束以后，AI的输出才真正能用于修改，而不是给你制造新的修改任务。
4.2 一次只问一个子问题：拆成步骤链
学术问题通常比较复杂，你让它“分析这段数据并写300字讨论”时，它既要分析又要写作，反而两头都做不好。我的经验是把任务拆成步骤链，让AI一次只做一件事。
比如你想写一段讨论，不要直接让它写，而是先让它分析数据背后可能的解释：
基于我提供的实验数据，列出3种可能的机理解释，并给出各自的支持证据。等你选定了解释方向，再让它扩写成段落：
基于选定的第2种解释，扩展为150字的学术讨论段落，注意不要增加新的机理断言。每步之间你有机会介入和纠偏。这和和别人合作是一样的：你把一个大任务拆成小任务下发，你才有足够的管理空间。
4.3 让AI自我对线：同时生成观点和反方观点
学术写作最忌讳“单向论证”。审稿人最擅长抓那种“只提支持证据、不提局限性”的段落。我经常用AI做“自我对线”训练：让它在同一段对话里先支持你的论点，再反对你的论点。
具体提示词如下：
请先站在支持本研究的立场，列出本文价值最大的三个证明点。 然后切换到反对者立场，列出三个可能出现的致命质疑。 最后对每个质疑，给出作者可以回应的话术。这样生成的内容，能直接帮助你在论文讨论部分加“局限性分析”和“应对审稿人质疑”。我们常说好论文是“和读者对话”，AI帮你把潜在对话提前演练了一遍。
4.4 用“补一句为什么”来验证逻辑
AI生成内容太流畅，有时候其实是缺点。因为它会生成那种“逻辑上听起来通顺但实际上跳跃”的句子，你仔细一读就发现中间省略了很多必要步骤。
我专门有一个验证技巧：让AI为它给出的每一句论断补上“为什么”。如果你发现它补不出来，或补得很牵强，那这句话大概率有问题。
比如AI写“该方法的性能优于现有方法”，你可以追问“为什么这么说？依据是什么？是否有对照实验支持？”如果它给出的依据来自你提供的数据表，那么这个论断可以用；如果它只是在编套路话，就一定要删掉或改写。
这个习惯对数学生特别有用：AI可以帮你想出漂亮的句子，但只有你能确认这个句子是真的。
5. 常见问题与避坑指南
5.1 文献幻觉：AI给的参考文献可能根本不存在
这个问题我强调多少次都不过分。AI在生成参考文献时，会根据已有的文献库“发明”一些看起来正常的条目，可能作者名很常见、年份合理、期刊名也对得上，但那篇论文就是不存在。
避坑方法只有一个：凡是要写进参考文献的条目，必须在真实学术数据库里能查到原文。如果查不到，一律删除。千万不要抱着“AI推荐的应该差不多”的想法。
更稳妥的做法是：把真实导入文献库里的PDF丢给AI做总结，让它引用“文献1、文献2”这样的编号，而不是让它自己找文献。从源头掐灭幻觉。
5.2 查重率不降反升：同义替换不是改写
有人用AI降重，结果查重率反而上升了。原因很简单，AI的默认改写策略就是“同义替换”：把“重要”换成“关键”，把“方法”换成“手段”，句子结构骨架还是原来的。查重系统如果按句子相似度检测，照样能标红。
真正有效的降重是“换骨架”：改变从句顺序、重新组织信息重点、把一句长句拆成两句、把主动改被动时调整主语。你可以让AI按这个思路改，但最终必须自己读一遍。最保险的其实是不要在论文里堆别人的原话，用自己的实验逻辑和数据语言重新写一遍，查重率自然不会高。
5.3 伦理边界：哪些环节绝不能交给AI
现在很多期刊已经开始要求作者在投稿时披露是否使用了生成式AI，以及用了哪些环节。不同期刊定位不同，但你心里要有数。
我的个人底线有两条：第一，涉及原始数据和实验结果的所有描述，人类必须逐字复核；第二，论文的核心贡献和创新点表达，必须是作者自己的思考。AI可以帮你润色、扩写、调整结构，但不能替代你形成研究结论。
如果在组会和导师检查时被问“这段是不是AI写的”，最好的回答是：“这段我改了四遍，AI提供了初稿，但我确认了每一个事实和每一句判断。”这才是人机协同的正确姿态。
5.4 怎么识别AI“一本正经地胡说”
判断AI是否在胡说，有三个信号。第一，内容过于流利但没有细节支撑，比如全是“通过深入分析不难发现”这种废话。第二，出现非常具体的数字或引用，但你追踪不到来源。第三，在关键论断处缺乏限定词，把事情说得绝对化。
一旦发现上述信号，我的操作是“追问+溯源”：先让AI解释这个论断的证据链，再要求它把出处明确到具体文献编号或数据行。如果解释不清、来源不明，就直接划掉重写。
记住，AI生成的每句话都是“待验证草稿”，不是“征用素材”。这个心态转不过来，很容易在修改阶段被AI输出的表面流畅度迷惑。
5.5 一些零散但很实用的小经验
最后补充几条零散经验，都是我用出来的教训。
第一条，给AI贴上下文时，一次不要超过它的理解极限，但也不要少得让它只能写套话。一段200字左右的核心描述是对称的。
第二条，AI的对话窗口很长时，它会“忘记”早期的约束，这时候你可以重新发一次完整提示词，不要指望它记得所有要求。
第三条，不要在同一个对话框同时处理多个子课题，窗口越乱越容易串味。写一个章节开一个窗口，能有效减少污染。
6. 从一篇论文到一套方法：我现在的固定工作流
说实话，我最初用AI写作，就是贪图“省事”，结果在后面改稿时加倍还了回去。后来逐步调整成现在这套协同流程，才算真的省下时间。
我现在写论文的固定模式是：选题时让AI当质询者，综述时让AI当整理员，搭框架时自己先写倒金字塔，初稿分块扩写，润色时分段约束，投稿前再让AI模拟审稿人自查。整个过程里，AI在每个环节都参与，但没有任何一个环节存在“让AI全权决定”的情况。
这套方法我一直用在组会汇报、基金本子和技术报告里，效果都很稳定。它不挑具体工具，核心是人要清楚自己该干什么，也愿意逼自己把需求说清楚。如果你现在还陷在白屏恐惧症里，不妨先试一次：找一个还没写完的段落，把需求写清楚丢给AI，然后把AI给你的文字当成“需要抢救的初稿”来改。改着改着你就会发现，单打独斗确实是过去式了。
